Neurosurgical biopsy path planning and robotic execution through multidimensional learning from demonstration
- Autores: Juliana Manrique Córdoba
- Directores de la Tesis: José María Sabater Navarro (dir. tes.), Miguel Ángel de la Casa Lillo (codir. tes.)
- Lectura: En la Universidad Miguel Hernández de Elche ( España ) en 2025
- Idioma: español
- Tribunal Calificador de la Tesis: Isabel García Morales (presid.), Nicolás Manuel García Aracil (secret.), Marcela Cristina Múnera Ramírez (voc.)
- Programa de doctorado: Programa de Doctorado en Bioingeniería por la Universidad Miguel Hernández de Elche
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
El creciente nivel de complejidad en los entornos quirúrgicos especialmente en neurocirugía ha intensificado la necesidad de sistemas robóticos capaces de ejecutar de forma autónoma tareas precisas e individualizadas. Si bien los sistemas teleoperados convencionales están ampliamente difundidos, imponen elevadas exigencias cognitivas a los cirujanos y presentan limitaciones para considerar adecuadamente las restricciones anatómicas y mecánicas del entorno quirúrgico.
Este trabajo se motiva en la necesidad de desarrollar sistemas robóticos inteligentes, capaces de aprender a partir de demostraciones expertas y de ejecutar trayectorias seguras y anatómicamente viables en intervenciones de neurocirugía.
Esta tesis propone una metodología para la planificación de trayectorias y la ejecución robótica en neurocirugía, que combina la generación optimizada de trayectorias con estrategias multidimensionales de Aprendizaje por Demostración (Learning from Demonstration, LfD). El método aprovecha datos de imagen médica para calcular trayectorias seguras y flexibles mediante un planificador probabilístico, guiado por una función de costo que considera la viabilidad del ángulo de entrada, el esfuerzo y la seguridad anatómica-especialmente en relación con tractos neuronales críticos. Estas restricciones anatómicas se integran directamente en el proceso de optimización a través de mapas binarios derivados de imagen de resonancia magnética y tractografía.
Con el fin de permitir el aprendizaje robótico a partir de demostraciones humanas, la metodología propuesta incorpora una estrategia de simplificación de trayectorias multidimensional que preserva características esenciales del movimiento mediante una extensión del algoritmo de Douglas Peucker. Las representaciones reducidas se emplean para entrenar modelos probabilísticos basados en Modelos Ocultos de Markov (Hidden Markov Models, HMMs), lo que permite generar nuevas trayectorias que generalizan los patrones quirúrgicos observados. Además, se enriquece la capacidad de aprendizaje del sistema mediante la inclusión de información de fuerza y torque, permitiendo capturar y reproducir dinámicas de interacción con las superficies quirúrgicas.
Finalmente, las trayectorias aprendidas son reconstruidas y ejecutadas en un robot colaborativo UR3e, demostrando la viabilidad de la generación autónoma de movimientos en tareas neuroquirúrgicas. Los resultados evidencian que la integración de restricciones anatómicas con estrategias multidimensionales de LfD mejora tanto la seguridad como la precisión de las trayectorias, alcanzando una alta exactitud. Este trabajo presenta una metodología, basada en aprendizaje, para la planificación preoperatoria y la ejecución robótica adaptativa en neurocirugía, contribuyendo al desarrollo de sistemas quirúrgicos más seguros e inteligentes.